同样用Codex写代码有的人10分钟搞定一个功能有的人30分钟还在来回拉扯。差别在哪不是工具、不是模型、不是网速——是指令。给AI的指令精确到哪个文件、哪个函数、哪种异常处理方式输出质量天差地别。这篇文章不讲玄学只讲实测有效的提示词框架——以及如何用最少的Token获得最好的输出。一、为什么AI编程的提示词和ChatGPT聊天不一样很多人把和ChatGPT聊天的习惯直接搬到了Codex和Claude Code上结果发现效率不升反降。因为两者的Token消耗模式和上下文管理方式完全不同维度ChatGPT对话AI编程工具单次交互Token200-2000 Token5000-50000 Token含代码上下文上下文纯文本对话记录对话 文件内容 代码历史 工具调用结果输出要求自然语言回答可执行的代码 git diff 文件写入精度要求意思对就行语法、类型、接口签名、import路径全要对AI编程的提示词本质上是用最少的Token描述清楚「改哪里、怎么改、边界是什么」。一个好的提示词可以省下50%以上的Token消耗——因为模型不需要反复试错来猜你的意图。二、三层提示词框架实测效果最好的AI编程提示词结构分三层【层级一目标层】你想达成什么「为 src/api/users.ts 的列表接口添加分页功能」【层级二约束层】怎么改、有什么限制「使用已有的 PaginationParams 类型每页默认20条支持 page 和 pageSize 查询参数前端已适配」【层级三边界层】什么不能动「不要修改数据库层的查询逻辑不要改动其他接口不要引入新的依赖包」三层信息的完整示例在 src/api/users.ts 的 GET /users 接口中添加分页功能。 使用已有的 PaginationParams 类型在 src/types/common.ts 中 每页默认20条支持 page 和 pageSize 查询参数。 不要修改 src/db/ 下的数据库查询逻辑。 不要改动其他接口。 不要引入新的 npm 依赖。 分页参数校验使用已有的 validatePagination 工具函数。对比一下效果指令类型对话轮数Token消耗代码质量模糊指令「帮我给用户列表加分页」4-6轮约80,000 Token需要手动修改精确指令三层框架完整描述1-2轮约20,000 Token直接可合并同样的功能精确指令节省了75%的Token。以 bblabu 的价格计算GPT-5.5百万Token约¥0.83一次精确指令省下的60,000 Token相当于省了约¥0.05。看起来不多但一天几十次交互一个月就是几十块的差距。三、不同任务的提示词模板3.1 新增功能在 [文件路径] 中新增 [功能描述]。 输入[入参类型和来源] 输出[返回值格式] 使用已有的[相关工具函数/类型/组件] 不要[限制条件] 测试用例[关键测试场景]3.2 Bug修复在 [文件路径] 的 [函数名/行号] 有一个Bug 现象[具体什么表现] 预期[应该是怎样的] 线索[已知的调试信息、日志、报错] 不要改动[相关但不需要改的部分]3.3 代码审查审查 [文件路径] 的代码 - 安全性SQL注入、XSS、权限校验、敏感信息泄露 - 性能N1查询、无索引查询、不必要的循环、未释放的资源 - 可维护性命名、注释、函数长度、职责单一 按严重程度排序给出具体修改代码3.4 重构重构 [文件路径/模块名] 目标[拆分/合并/抽象/简化] 保持[外部接口不变、现有测试通过] 移除[旧代码/废弃API/冗余逻辑] 新结构[期望的目录或文件组织方式]四、提示词里的「元信息」很重要给AI编程工具的提示词比给ChatGPT的多了一层——你需要提供足够的项目元信息让AI能理解代码上下文。最有效的做法是在项目根目录维护一个.context.md文件# 项目上下文 - 技术栈TypeScript Express Prisma PostgreSQL - 目录结构src/api路由、src/services业务、src/db数据层 - 通用类型src/types/common.ts - 工具函数src/utils/ - 测试框架Jest文件命名 *.test.ts - 代码规范函数不超过50行每个文件只export一个主函数 - 数据库所有查询走 Prisma不写原始SQL把这个文件放在项目根目录每次开新对话时引用一下# 配置API聚合平台如bblabu作为后端 export OPENAI_API_KEY你的Key export OPENAI_BASE_URLhttps://api.bblabu.cn/v1 codex 参考 .context.md 的项目规范然后在 src/api/orders.ts 中添加分页功能这样不用每次对话都把项目信息重新讲一遍——.context.md里的一次性Token投入换回的是每一次对话的高质量输出。五、提示词优化的实测数据我做了个实验同一个任务「实现用户注册API」用模糊指令和三层框架指令分别让Codex执行对比结果指标模糊指令三层框架指令提升对话轮数6轮2轮3倍效率总Token消耗94,50023,20075%省手动修改次数3处0处100%省包含输入校验缺失完整-包含异常处理缺失完整-代码符合规范部分不符合完全符合-模糊指令的结果是代码能跑但缺少校验和异常处理需要人工补充。三层框架指令的结果是直接可以合并零改动。两者的Token费用差了整整4倍。六、常见的提示词错误错误1太模糊# 错误模型需要猜你的意图 codex 帮我优化一下这个函数 # 正确明确优化目标和限制 codex 优化 src/utils/parser.ts 的 parseConfig 函数 - 目标减少正则表达式的执行次数 - 限制不改变函数签名和返回值格式 - 线索当前瓶颈在第45行的嵌套循环错误2缺少边界# 错误模型可能改动不该动的代码 codex 给用户接口添加分页功能 # 正确明确什么不能动 codex 给 src/api/users.ts 的 GET /users 添加分页功能。 不要修改数据库查询逻辑。 不要改动其他接口。 不要引入新的依赖。错误3一次说太多# 错误一个提示词包含5个不相关的功能 codex 添加分页、搜索、排序、导出、缓存功能 # 正确一个提示词一个功能 codex 在 src/api/users.ts 的 GET /users 添加分页功能... # 完成后再做下一个功能七、总结AI编程提示词的核心原则就三条说清楚「改哪里」——文件名、函数名、行号越精确越好说清楚「怎么改」——数据类型、接口格式、命名规范、异常处理说清楚「别动什么」——保护不该动的代码比告诉AI该做什么同样重要好的提示词不是「更聪明」而是「更精确」。精确到什么程度精确到AI不需要猜你的意图。AI猜一次就用掉几千Token猜三次就上万——而你的API账单上每一Token都在计费。掌握三层框架和四套模板日常的AI编程效率至少提升一倍——而且代码质量更高来回拉扯更少。配合低Token单价的 API聚合平台同样的预算可以做更多的事。相关资源bblabu API聚合平台支持GPT-5.5和Claude 4.7Codex官方文档Claude Code官方文档本文作者是一名全栈开发者专注AI编程工具和效率优化。如果你有好的提示词经验欢迎在评论区分享。
2026年Prompt Engineering实战：三层框架让你的AI编程效率翻倍、Token省75%
同样用Codex写代码有的人10分钟搞定一个功能有的人30分钟还在来回拉扯。差别在哪不是工具、不是模型、不是网速——是指令。给AI的指令精确到哪个文件、哪个函数、哪种异常处理方式输出质量天差地别。这篇文章不讲玄学只讲实测有效的提示词框架——以及如何用最少的Token获得最好的输出。一、为什么AI编程的提示词和ChatGPT聊天不一样很多人把和ChatGPT聊天的习惯直接搬到了Codex和Claude Code上结果发现效率不升反降。因为两者的Token消耗模式和上下文管理方式完全不同维度ChatGPT对话AI编程工具单次交互Token200-2000 Token5000-50000 Token含代码上下文上下文纯文本对话记录对话 文件内容 代码历史 工具调用结果输出要求自然语言回答可执行的代码 git diff 文件写入精度要求意思对就行语法、类型、接口签名、import路径全要对AI编程的提示词本质上是用最少的Token描述清楚「改哪里、怎么改、边界是什么」。一个好的提示词可以省下50%以上的Token消耗——因为模型不需要反复试错来猜你的意图。二、三层提示词框架实测效果最好的AI编程提示词结构分三层【层级一目标层】你想达成什么「为 src/api/users.ts 的列表接口添加分页功能」【层级二约束层】怎么改、有什么限制「使用已有的 PaginationParams 类型每页默认20条支持 page 和 pageSize 查询参数前端已适配」【层级三边界层】什么不能动「不要修改数据库层的查询逻辑不要改动其他接口不要引入新的依赖包」三层信息的完整示例在 src/api/users.ts 的 GET /users 接口中添加分页功能。 使用已有的 PaginationParams 类型在 src/types/common.ts 中 每页默认20条支持 page 和 pageSize 查询参数。 不要修改 src/db/ 下的数据库查询逻辑。 不要改动其他接口。 不要引入新的 npm 依赖。 分页参数校验使用已有的 validatePagination 工具函数。对比一下效果指令类型对话轮数Token消耗代码质量模糊指令「帮我给用户列表加分页」4-6轮约80,000 Token需要手动修改精确指令三层框架完整描述1-2轮约20,000 Token直接可合并同样的功能精确指令节省了75%的Token。以 bblabu 的价格计算GPT-5.5百万Token约¥0.83一次精确指令省下的60,000 Token相当于省了约¥0.05。看起来不多但一天几十次交互一个月就是几十块的差距。三、不同任务的提示词模板3.1 新增功能在 [文件路径] 中新增 [功能描述]。 输入[入参类型和来源] 输出[返回值格式] 使用已有的[相关工具函数/类型/组件] 不要[限制条件] 测试用例[关键测试场景]3.2 Bug修复在 [文件路径] 的 [函数名/行号] 有一个Bug 现象[具体什么表现] 预期[应该是怎样的] 线索[已知的调试信息、日志、报错] 不要改动[相关但不需要改的部分]3.3 代码审查审查 [文件路径] 的代码 - 安全性SQL注入、XSS、权限校验、敏感信息泄露 - 性能N1查询、无索引查询、不必要的循环、未释放的资源 - 可维护性命名、注释、函数长度、职责单一 按严重程度排序给出具体修改代码3.4 重构重构 [文件路径/模块名] 目标[拆分/合并/抽象/简化] 保持[外部接口不变、现有测试通过] 移除[旧代码/废弃API/冗余逻辑] 新结构[期望的目录或文件组织方式]四、提示词里的「元信息」很重要给AI编程工具的提示词比给ChatGPT的多了一层——你需要提供足够的项目元信息让AI能理解代码上下文。最有效的做法是在项目根目录维护一个.context.md文件# 项目上下文 - 技术栈TypeScript Express Prisma PostgreSQL - 目录结构src/api路由、src/services业务、src/db数据层 - 通用类型src/types/common.ts - 工具函数src/utils/ - 测试框架Jest文件命名 *.test.ts - 代码规范函数不超过50行每个文件只export一个主函数 - 数据库所有查询走 Prisma不写原始SQL把这个文件放在项目根目录每次开新对话时引用一下# 配置API聚合平台如bblabu作为后端 export OPENAI_API_KEY你的Key export OPENAI_BASE_URLhttps://api.bblabu.cn/v1 codex 参考 .context.md 的项目规范然后在 src/api/orders.ts 中添加分页功能这样不用每次对话都把项目信息重新讲一遍——.context.md里的一次性Token投入换回的是每一次对话的高质量输出。五、提示词优化的实测数据我做了个实验同一个任务「实现用户注册API」用模糊指令和三层框架指令分别让Codex执行对比结果指标模糊指令三层框架指令提升对话轮数6轮2轮3倍效率总Token消耗94,50023,20075%省手动修改次数3处0处100%省包含输入校验缺失完整-包含异常处理缺失完整-代码符合规范部分不符合完全符合-模糊指令的结果是代码能跑但缺少校验和异常处理需要人工补充。三层框架指令的结果是直接可以合并零改动。两者的Token费用差了整整4倍。六、常见的提示词错误错误1太模糊# 错误模型需要猜你的意图 codex 帮我优化一下这个函数 # 正确明确优化目标和限制 codex 优化 src/utils/parser.ts 的 parseConfig 函数 - 目标减少正则表达式的执行次数 - 限制不改变函数签名和返回值格式 - 线索当前瓶颈在第45行的嵌套循环错误2缺少边界# 错误模型可能改动不该动的代码 codex 给用户接口添加分页功能 # 正确明确什么不能动 codex 给 src/api/users.ts 的 GET /users 添加分页功能。 不要修改数据库查询逻辑。 不要改动其他接口。 不要引入新的依赖。错误3一次说太多# 错误一个提示词包含5个不相关的功能 codex 添加分页、搜索、排序、导出、缓存功能 # 正确一个提示词一个功能 codex 在 src/api/users.ts 的 GET /users 添加分页功能... # 完成后再做下一个功能七、总结AI编程提示词的核心原则就三条说清楚「改哪里」——文件名、函数名、行号越精确越好说清楚「怎么改」——数据类型、接口格式、命名规范、异常处理说清楚「别动什么」——保护不该动的代码比告诉AI该做什么同样重要好的提示词不是「更聪明」而是「更精确」。精确到什么程度精确到AI不需要猜你的意图。AI猜一次就用掉几千Token猜三次就上万——而你的API账单上每一Token都在计费。掌握三层框架和四套模板日常的AI编程效率至少提升一倍——而且代码质量更高来回拉扯更少。配合低Token单价的 API聚合平台同样的预算可以做更多的事。相关资源bblabu API聚合平台支持GPT-5.5和Claude 4.7Codex官方文档Claude Code官方文档本文作者是一名全栈开发者专注AI编程工具和效率优化。如果你有好的提示词经验欢迎在评论区分享。
